AIToday
画像生成AI Weekly掲載日時: 2026年11月5日 22:01

VA-TDM、4ステップ拡散モデルで精度向上

LINEで送る
VA-TDM、4ステップ拡散モデルで精度向上

3つのポイント

  1. 何が起きたか

    FLUX.2-Klein-Base 4Bを4サンプリングステップで使うとVA-TDMはGenEval 0.80対0.78、OCR類似度0.69対0.64、LPIPS多様性0.56対0.47を報告。

  2. なぜ重要か

    同じ4ステップの計算量で改善しており、追加のサンプリングステップではなく手法自体による向上だと論文は位置づける。

誰に効くか数ステップ拡散モデルを評価するAI画像生成チームは、公開GitHubリポジトリで手法とコードを入手できる。現在の4ステップベースラインと比較試用しやすくなる可能性がある。

わからないところ、AIに聞けます

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

背景と解説

論文はVA-TDMを単一の新しい工夫ではなく統一的な視点として位置づける。著者らはこのフレームワークが「スコア蒸留、Fisherベースのマッチング、モーメントマッチングを統一し、既存のヒューリスティックなMMD更新も説明したうえで新たな学習目的を提供する」と書く。数ステップ拡散の研究では多くの個別のヒューリスティックが生まれてきたが、VA-TDMはそれらを生徒と教師の速度場の間の一つの敵対的ゲームとして扱えると主張する点が注目に値する。

結果は2つのモダリティにまたがる。画像側ではFLUX.2-Klein-Base 4Bを4サンプリングステップで使って検証し、報告されたGenEval、OCR類似度、LPIPS多様性の数値はいずれも同じ計算量の公開4ステップモデルを上回る。動画側では33Bのテキスト動画モデルMiniMax-H3に4-NFEの計算量で適用し、ユーザー調査ではVA-TDM-H3が同じ計算量のFast-H3との一対比較で61.33%に勝利した。要旨は「テキスト画像生成とテキスト動画生成の両方で、さまざまなバックボーンにわたり4ステップで最先端の性能」をうたう。

発表時期から見ると、VA-TDMは今週続くAI動画の蒸留やRL学習の論文の流れの中にある。取得したページには著者の所属機関の記載がなく、この研究の機関的な後ろ盾はそこでは示されていない。github.com/Luo-Yihong/VA-TDMでのコード公開により、実務者は報告された比較を直接調べて再現できる。

よくある質問
VA-TDMとは何か?
VA-TDMはHugging Faceの論文「VA-TDM: A Unified View for Improving Few-Step Diffusion Models by Velocity Adversarial Distillation」で発表されたフレームワーク。学習したクリティックが生徒と教師の速度場を比較し、その不一致を学習フィードバックに変える。
コードはどこにあるか?
コードはgithub.com/Luo-Yihong/VA-TDMで公開されている。
画像生成以外の結果はあるか?
ある。33Bのテキスト動画モデルMiniMax-H3に4-NFEの計算量で適用したVA-TDM-H3は、同じ計算量のFast-H3との比較で61.33%に勝利。100-NFEの教師モデルに対する選好率も45.53%に達し、Fast-H3の24.67%を上回った。
LINEで送る

あなたの仕事に関係するAIニュースを、毎朝お届けします。

業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。

登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →

AIに質問

この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。

質問と回答はこのページに公開されます。

このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る

関連記事

次の記事へAIでイルカの言語のパターン解析